Hy ASR 3.0 preview – Muundo mpya wa kizazi kijacho wa utambuzi wa sauti kutoka Tencent Hunyuan Inafanya kazi

Hy ASR 3.0 preview ni muundo mpya wa kizazi kijacho wa utambuzi wa sauti uliotolewa na Tencent Hunyuan, unaotegemea modeli kubwa ya lugha ya Hy3 na kuunganisha utambuzi wa sauti wa usahihi wa juu na uelewa wa kina wa maana. Muundo huu unaunga mkono Kichina, Kiingereza, Kikantoni na maeneo 10 makuu ya lahaja, ukiwa na uwezo wa kusahihisha makosa kwa akili kulingana na muktadha, kuingiza maneno muhimu na kustahimili hali changamano kama kelele nyingi na kunong’ona. WER kwenye seti ya tathmini ya wazi inadhibitiwa karibu 3%, huku seti ya tathmini iliyojengwa ndani ikizidi washindani kwa ujumla.

Utambuzi sahihi wa jumla: Unaunga mkono Mandarin ya Kichina, Kiingereza, Kikantoni na mchanganyiko wa Kichina na Kiingereza, ukipunguza herufi zilizokosewa au kuachwa pamoja na kuongezeka kwa makosa katika sauti ndefu.
Uelewa wa maana kulingana na muktadha: Kwa kutumia Context, hunasa kwa usahihi muktadha wa mtumiaji, husahihisha kwa akili maneno yenye matamshi yanayofanana na kuondoa utata wa maana.
Urekebishaji wa haraka wa maneno muhimu: Unaunga mkono uboreshaji wa maneno muhimu kama majina ya chapa, majina ya watu na istilahi za sekta, hivyo kupunguza gharama za kuunganisha na kudumisha huduma.
Uimara katika mazingira changamano: Umeboreshwa mahsusi kwa hali za sauti kama kelele nyingi, kunong’ona na kuzungumza kwa sauti ya chini, huku ukidumisha utambuzi thabiti.
Ufunikaji mpana wa lahaja: Unaunga mkono maeneo 10 makuu ya lahaja na zaidi ya maeneo 20 madogo ya kiwango cha pili, yakiwemo Mandarin ya Kaskazini-Mashariki, Kikantoni, Wu na Minnan.

Uboreshaji wa usanifu: Inatumia usanifu wa MoE, na modeli msingi imeboreshwa hadi Hy3; pia ina Encoder ya sauti isiyosimamiwa iliyotengenezwa ndani, iliyofunzwa kwa data ya sauti ya makumi ya mamilioni ya saa ili kutoa vielelezo vya akustika vya ubora wa juu.
Scaling ya mafunzo ya awali: Encoder na LLM hufunzwa pamoja kwa kuingiza data ya sauti kutoka vyanzo vingi yenye makumi ya mamilioni ya saa, ikiwemo vitabu vya sauti, mazungumzo, video na matangazo ya redio. Kupitia uingizaji wa uwezo katika hatua nyingi, mfumo hupata uwezo wa kuelewa lahaja na kuunda modeli ya muktadha.
Uboreshaji baada ya mafunzo: Huunda Recipe ya SFT ya ubora wa juu inayojumuisha sauti changamano, muktadha wa Any Context na uwezo wa jumla; kupitia ujifunzaji wa kuimarisha katika hatua nyingi, huboresha kwa mtiririko usahihi wa unukuzi wa jumla, utegemezi wa muda mrefu wa muktadha na utendaji katika hali changamano zenye matukio machache.

Unganisha kupitia Tencent Cloud API au fungua Tencent Yuanbao, kisha bonyeza na ushikilie kitufe cha kuzungumza ili kuijaribu bila malipo.

Uboreshaji wa uelewa wa maana: Kwa kutegemea modeli kubwa ya lugha ya Hy3, inaunganisha utambuzi wa sauti wa usahihi wa juu na uelewa wa kina wa maana, na kubadilika kutoka unukuzi wa neno kwa neno hadi kuelewa muktadha na kutoa matokeo tayari kwa mbofyo mmoja.
Uongozi mpana katika tathmini: WER kwenye seti ya tathmini ya wazi inadhibitiwa karibu 3%, huku seti ya tathmini iliyojengwa ndani ikizidi washindani katika utambuzi wa jumla, lahaja, muktadha na hali changamano za akustika.
Usahihishaji mahiri kulingana na muktadha: Kwa kutumia Context, hunasa kwa usahihi muktadha, husahihisha kwa akili maneno yenye matamshi yanayofanana, huondoa utata wa maana na kusaidia uundaji wa modeli ya utegemezi wa muda mrefu.
Urekebishaji wa haraka wa maneno muhimu: Unaunga mkono uingizaji wa maneno muhimu kama majina ya chapa, majina ya watu na istilahi za sekta, hivyo kupunguza gharama za kuunganisha na kudumisha huduma katika hali za kitaalamu.
Ufunikaji wa lahaja na mazingira changamano: Unaunga mkono maeneo 10 makuu ya lahaja na zaidi ya maeneo 20 madogo ya kiwango cha pili, huku ukidumisha utendaji thabiti katika mazingira changamano ya akustika kama kelele nyingi na kunong’ona.

Huduma kwa wateja mahiri: Katika huduma kwa wateja kwa simu na mtandaoni, Hy ASR 3.0 preview hutambua kwa usahihi majina ya chapa na istilahi za biashara kupitia uingizaji wa maneno muhimu, na kufanya unukuzi wa sauti kwa wakati halisi, hivyo kuongeza kwa kiasi kikubwa ufanisi wa mwitikio wa huduma.
Uundaji wa maudhui: Katika utayarishaji wa maudhui marefu ya sauti kama podikasti, mikutano na mahojiano, modeli hutumia uelewa wa maana kulingana na muktadha kuondoa utata kwa akili na kutoa kwa mbofyo mmoja maandishi yenye mtiririko na ubora wa juu yanayosomeka, hivyo kupunguza gharama za uhariri wa baadaye.
Utafutaji wa sauti: Huwawezesha watumiaji kutafuta kwa kutumia sauti ya lahaja na hutambua kwa usahihi maagizo ya sauti katika mazingira yenye kelele, hivyo kupunguza kikwazo cha uingizaji kwa watumiaji wa lugha na lafudhi mbalimbali.
Ushirikiano wa ofisini: Katika unukuzi wa kumbukumbu za mikutano kwa wakati halisi, modeli hudumisha utambuzi thabiti hata inapokabiliwa na sauti za chini kama kunong’ona na kuzungumza kwa siri, na kusaidia timu kuwasiliana kwa ufanisi na kuhifadhi taarifa.
Vituo mahiri: Katika mwingiliano wa vifaa vya IoT kama urambazaji wa ndani ya gari na nyumba mahiri, modeli imeboreshwa mahsusi kwa mazingira ya akustika yenye kelele nyingi, ikihakikisha uimara wa utambuzi wa sauti na uzoefu mzuri wa mtumiaji katika hali changamano.